Spracherkennung und Sprachdialog: Stand der Technik ...

Spracherkennung und Sprachdialog: Stand der Technik,
Einsatzbeispiele und zukünftige Trends
Dr. Jürgen Haas,, Dr. Florian Gallwitz, Jens Kornwachs, Dr. Martin Schröder
Sympalog Voice Solutions GmbH
Karl­Zucker­Straße 10
91052 Erlangen
09131/616 61­0
haas@sympalog.de
Abstract: Das automatische Erkennen und Verstehen von gesprochener Sprache ist
schon seit Jahrzehnten Gegenstand intensiver Forschungsarbeit. Mittlerweile sind nun
verschiedene Anwendungen auf Grundlage der hieraus hervorgegangenen Technologie
kommerziell verfügbar, und es zeichnet sich ab, dass spracherkennende und
­verstehende Systeme schon bald aus dem betrieblichen Alltag nicht mehr wegzudenken
sind. In diesem Beitrag werden neben den technologischen Grundlagen von Sprachsystemen
die Möglichkeiten und auch die Grenzen dieser Technologie dargestellt.
Heutige Anwendungen werden anhand konkreter Beispiele vorgestellt und es wird ein
Ausblick auf kommende Entwicklungen gegeben
1. Einleitung
Maschinen, die sich mit Menschen unterhalten können, sind fester Bestandteil jedes
Science­Fiction­Films. Schon vor über dreißig Jahren entwarf Arthur C. Clarke in seinem von
Stanley Kubrick verfilmten Roman "2001 ­ Odyssee im Weltraum" die Vision des Computers
HAL, der wie selbstverständlich mit den Menschen an Bord des Raumschiffes sprachlich
kommuniziert. Wenn auch einzelne Fähigkeiten von HAL, beispielsweise die des Schachspiels
oder die der Steuerung und Navigation eines Raumfahrzeugs, bereits heute Realität
geworden sind, so erscheint das "(un)menschliche" Verhalten von HAL heute utopischer
denn je. Auch von der Möglichkeit einer verbalen Kommunikation, wie sie im Roman beschrieben
ist, sind wir heute noch weit entfernt.
Dennoch hat es gerade im Bereich des automatischen Verstehens von gesprochener Sprache
in den vergangenen Jahren erhebliche Fortschritte gegeben, die in Form von Produkten
auch dem Endverbraucher zugänglich gemacht werden. Hierzu gehören beispielsweise Mobiltelefone,
die bei der Nennung eines Namens automatisch die entsprechende Nummer
wählen, und Diktiersysteme, die das Gesprochene mit durchaus überzeugenden Ergebnissen
in geschriebenen Text umwandeln. Sogar natürlichsprachliche Dialoge mit Computern
sind heute bereits möglich. So existieren produktive Systeme in den unterschiedlichsten
Bereichen, die das Verhalten einer menschlichen Auskunftsperson erfolgreich simulieren.

2. Wie funktioniert automatische Spracherkennung
Nachfolgend wird die prinzipielle Funktionsweise von automatischen Spracherkennungssystemen
erläutert. In den vergangenen Jahren haben sich einige wenige Verfahren herauskristallisiert,
auf deren Grundlage nahezu alle heutigen Spracherkennungssysteme basieren. Ihnen
gemein ist, dass der Spracherkenner zunächst an Hand von Beispielen trainiert wird,
d.h. die Aussprache bestimmter Laute oder Wörter wird automatisch erlernt.
Vorverarbeitung und Merkmalsberechnung: Am Beginn der Verarbeitungskette
werden die in Form von Luftdruckschwankungen vorliegenden Schallwellen mittels eines
Mikrophons in ein elektrisches Signal umgewandelt. Aus dem digital vorliegenden Signal
gilt es nun, Informationen über die jeweils gesprochenen Laute (bzw. Phoneme, die
kleinsten bedeutungsunterscheidenden Lauteinheiten) zu gewinnen und daraus einen
Merkmalvektor zu bestimmen.
Wortmodellierung und ­klassifikation: Die Aufgabe besteht darin, in der Folge von
Merkmalvektoren das gesprochene Wort bzw. die gesprochene Wortfolge zu bestimmen
(zu klassifizieren). Hierfür kommen im Wesentlichen zwei Ansätze in Betracht, die unter
den Begriffen DTW (Dynamic Time Warping) und HMM (Hidden­Markov­Modell) bekannt
sind. Der ältere DTW­Ansatz eignet sich vor allem für sehr einfache, sprecherabhängige
Einzelworterkennung, beispielsweise zum Abrufen von gespeicherten Telefonnummern in
einem Mobiltelefon. Der leistungsfähigere HMM­Ansatz wird in nahezu allen komplexeren
Spracherkennungssystemen verwendet.
Sprachmodellierung: Unter dem Begriff Sprachmodellierung (engl. language modeling)
fasst man Verfahren zusammen, die dem Spracherkenner Wissen über die Wahrscheinlichkeit
von bestimmten Wortfolgen vermitteln, ohne die eine befriedigende Erkennungsleistung
in den meisten Fällen nicht möglich wäre. In einer Diktieranwendung ist es beispielsweise
sehr unwahrscheinlich, der Wortfolge „Säge ehrte Frau schnitt“ zu begegnen;
viel wahrscheinlicher ist dagegen die Wortfolge „Sehr geehrte Frau Schmidt“. Auf diese
Weise können zum Einen akustisch nicht unterscheidbare Wörter korrekt erkannt, zum
Anderen können Fehler ausgeglichen werden, die durch ungenaue Aussprache oder ungenaue
Modellierung der Wörter entstehen würden.
Suche: Bei der Bestimmung der am wahrscheinlichsten gesprochenen Wortfolge zu einer
gegebenen Folge von Merkmalvektoren handelt es sich um ein komplexes Suchproblem,
dessen Aufwand mit der Länge des Satzes exponentiell zunimmt. Effiziente Suchverfahren
wie die Viterbi­Suche, die daraus abgeleitete Strahlsuche (beam search) sowie der
A*­Algorithmus werden in unterschiedlichen Kombinationen eingesetzt, um dieses Problem
in Echtzeit zu lösen. Bei großen Wortschätzen kann zudem durch Anordnung des
HMM­Lexikons in Form eines Baumes, an dessen Unterbäumen Wörter mit gleichen
Wortanfängen angeordnet sind, der Rechenaufwand in Grenzen gehalten werden.
In der nachfolgenden Abbildung sind sämtlich Schritte, die beim Spracherkennungsprozess
durchlaufen werden, nochmals am Beispiel eines Telefonsystems dargestellt. Ein anderer
Eingabekanal, z.B. ein Mikrofon hat dabei lediglich Auswirkungen auf die Übertragung des
Signals bis zum Arbeitsschritt "Digitalisierung", jedoch nicht für den Spracherkennungsprozess
an sich.

um zwanzig Uhr
Digitalisierung
Spektralanalyse
Telefonnetz
Aussprachelexikon
Grammatik/
Sprachmodell
U n t s v a n t s I C u: 6
u: m d f m E d S i: k U r
a m d t s a n t s I k u: 6
um
am
zehn
zwanzig
Uhr
morgen
...
Um
am
tse:n
tsvantsIC
u:6
mO6g@n
...
Suche und Mustervergleich
um zwanzig Uhr
3. Leistungskriterien für die automatische Spracherkennung
Entwickler und Forscher im Bereich der automatischen Spracherkennung sehen sich häufig
mit Aussagen konfrontiert, wie: „Spracherkennung, wieso? Das gibt'sdoch schon. Hab'ich
mir neulich bei ALDI gekauft“ Der verbreitete Eindruck, dass dieses Problem mehr oder
weniger gelöst sei, hängt damit zusammen, dass die Leistungsfähigkeit von Diktiersystemen
bei der Eingabe von Texten unter bestimmten Voraussetzungen durchaus mit jener geübter
Computerbenutzer vergleichbar ist. Die Anwendungsmöglichkeiten dieser Technologie sind
jedoch weitaus vielfältiger, und die Anforderungen an die eigentliche Spracherkennungs­
Komponente können sich je nach Anwendungssituation stark unterscheiden.
Während Diktiersysteme in ruhiger Umgebung beispielsweise mit Vokabulargrößen von über
100.000 Wörtern Erkennungsraten von bis zu 95 Prozent erzielen (d.h. im Mittel ein falsch
erkanntes Wort alle 20 Wörter; man spricht auch von einer Fehlerrate, hier 5 Prozent), kann
bereits die Erkennung von einfachen Ziffernfolgen in einem fahrenden Auto wegen der
Fahrgeräusche große Probleme bereiten. Betrachtet man eine Reihe von unterschiedlichen
Anwendungen für Spracherkenner, so kann man allgemeine Leistungsmerkmale erkennen,
die die Komplexität einer von einem Spracherkenner zu bewältigenden Aufgabe bestimmen.
Es lassen sich fünf Leistungsachsen definieren:
1. Sprecherabhängigkeit
Spracherkennung kann sprecherunabhängig oder sprecherabhängig erfolgen, wobei sprecherabhängige
Erkennung mit einer erheblich höheren Genauigkeit möglich ist. Sprecheradaptive
Systeme bilden hier einen Mittelweg, indem sie sich allmählich an die Stimme ihres
Benutzers anpassen. Es hängt stark von der Applikation ab, inwieweit eine sprecherabhängige
Erkennung realisierbar ist. Während dem Benutzer eines Diktiersystems das Vorlesen
einiger Übungssätze zugemutet werden kann, ist dies zum Beispiel bei einem Fahrplanauskunftssystem
oder gar bei einem sprachgesteuerten Getränkeautomaten nicht praktikabel.

2. Sprechart
Die Unterscheidung zwischen diskreter und kontinuierlicher Sprache verliert, zumindest im
Zusammenhang mit Diktiersystemen, zunehmend an Bedeutung: Die kurzen Sprechpausen
zwischen den Wörtern, die zu Beginn noch von den Benutzern von "diskreten" Diktiersystemen
verlangt wurden, werden von den "kontinuierlichen" Systemen nicht mehr gefordert.
Diese Pausen erleichtern die Bestimmung der Wortgrenzen und verbessern damit das Erkennungsergebnis,
erfordern aber eine sehr unnatürliche Sprechweise des Benutzers. Einen
Spezialfall stellen die Einzelworterkenner dar, die voraussetzen, dass nur ein einzelnes Wort
gesprochen wird.
Noch erheblich schwieriger als der Umgang mit kontinuierlicher Sprache ist dagegen die Erkennung
von spontaner Sprache. Darunter versteht man Äußerungen, die nicht abgelesen
sind, und die sich der Sprecher nicht ­ wie im Falle einer Diktieranwendung ­ vor dem Sprechen
zurechtgelegt hat. Typisch für spontane Sprache sind ungrammatische Sätze, äh­s und
ähm­s, Pausen, Abbrüche, Versprecher, Verschleifungen und Wiederholungen, die von
menschlichen Hörern normalerweise sehr gut verarbeitet werden, die jedoch die automatische
Verarbeitung drastisch erschweren. So muss zum Beispiel in einem Fahrplanauskunftssystem
mit der folgenden Anfrage gerechnet werden: „äh ja hallo also ähm nach Hamburg
wollt'ich fahr'nab München Pasing so gegen acht gegen zwanzig Uhr heut'a'md.“ Zusätzliche
Schwierigkeiten ergeben sich noch durch Sprecher mit regionalem Dialekt oder
ausländischem Akzent.
3. Wortschatz
Der Einfluss der Vokabulargröße auf die Schwierigkeit des Spracherkennungsproblems ist
offensichtlich, allerdings wirkt sich diese in aller Regel mehr auf die erforderliche Rechenleistung
aus, als auf die zu erwartende Fehlerrate (sehr große Wortschätze erfordern zudem
hochkomplexe und ausgefeilte Suchalgorithmen). Von wesentlich größerer Bedeutung für
die Fehlerrate ist jedoch die grammatische Komplexität (s.u.). Das Problem, 500 Eigennamen
ohne Kontextinformation zu unterscheiden, kann in dieser Hinsicht wesentlich
schwieriger sein, als einen grammatisch korrekten Text mit einem Vokabular von 100.000
Wörtern zu erkennen.
In einigen kommerziellen Systemen wird zwischen aktivem Vokabular und dem Gesamtvokabular
unterschieden; in diesem Falle wird z.B. in einem bestimmten Dialogschritt nur ein
Teil der Wörter erlaubt, oder ein spezielles Inventar an Fachbegriffen in einem Diktiersystem
nur auf Wunsch in den Erkennungswortschatz aufgenommen.
4. Grammatische Komplexität oder Perplexität
Nicht jedes Wort aus dem Wortschatz tritt an jeder Position einer Äußerung mit der gleichen
Wahrscheinlichkeit auf. So ist es z.B. sehr wahrscheinlich, dass nach den Wörtern „Guten
Tag, mein Name“ das Wort „ist“ folgen wird, und auf dieses Wort wiederum ein Eigenname.
Je besser sich die Wörter selbst ohne Kenntnis des akustischen Signals bereits aus der
Anwendung und aus dem Kontext vorhersagen lassen, desto einfacher ist naturgemäß die
Aufgabe des Spracherkenners. Ein entscheidendes Maß für die Schwierigkeit eines Spracherkennungsproblems
ist daher die sogenannte Perplexität, die angibt, wieviele Wörter im
Mittel in Frage kommen, wenn die Vorgängerwörter bereits bekannt sind.
Mittels einer statistischen Grammatik lässt sich die Wahrscheinlichkeit für eine gegebene
Wortfolge berechnen. Eine solche Grammatik kann entweder explizit vorgegeben werden,

eispielsweise in einer Anwendung, in der nur Ziffernfolgen erkannt werden sollen, oder sie
kann aus einer großen Menge geschriebenen Textes automatisch erlernt werden, wie dies
z.B. im Falle von Diktiersystemen geschieht. Eine Grammatik reduziert die Zahl der Erkennungsfehler
drastisch, solange der Benutzer sich innerhalb der vorgesehenen Anwendung
bewegt. Ein Spracherkenner in einem Fahrplanauskunftssystem wird allerdings i.d.R.
auch in der Frage nach dem Wetter des folgenden Tages eine Fahrplananfrage erkennen,
und ein Diktiersystem für Juristen wird einen romantischen Liebesbrief mit juristischen Floskeln
und Fachtermini anreichern.
5. Eingabemedium
Von großer Bedeutung für automatische Spracherkenner ist der sogenannte „Eingabekanal“,
hierzu gehören das Mikrophon oder auch ein Mikrophonarray und, z.B. im Falle einer Telefonanwendung,
auch die Art der Übertragung des Signals (Festnetz­ vs. Mobiltelefon). Beispielsweise
lassen sich aufgrund der geringen Bandbreite des Telefonkanals die Konsonanten
„f“ und „s“ in einem Telefongespräch praktisch nicht unterscheiden (was zum Beispiel
beim Buchstabieren über Telefon offenbar wird). Als optimales Aufnahmemedium gelten
hochwertige Nahbesprechungsmikrophone oder Headsets, bei denen das Mikrophon in der
Nähe des Mundwinkels positioniert wird. Dennoch wird der Einfluss der Qualität des Mikrophons
oft überschätzt; viel wichtiger ist es, dass der Spracherkenner mit Daten trainiert
bzw. adaptiert wurde, die nach Möglichkeit mit dem gleichen Mikrophon unter möglichst
ähnlichen akustischen Bedingungen aufgenommen wurden.
Besonders schwierig wird es, wenn das Mikrophon sich nicht mehr direkt am Mund des
Sprechers befindet, z.B. bei Anwendungen im Auto oder bei der Bedienung von mobilen Robotern.
Hintergrundgeräusche (z.B. Fahrgeräusche im Auto oder Geräusche in einer Bahnhofshalle),
oder gar mehrere Sprecher, die gleichzeitig reden ("Cocktailparty­Effekt")
erschweren die Spracherkennung zusätzlich oder machen sie in extremen Fällen nahezu unmöglich.
Grundsätzlich ist es so, dass Spracherkennungssysteme, die sich in einem oder mehreren
der genannten Leistungsmerkmale im „schwierigen“ Bereich bewegen, dies dadurch kompensieren,
dass der Anwender in Bezug auf die anderen Merkmale Abstriche machen muss.
4. Dialogsteuerung
Im Gegensatz zu einem Diktiersystem, bei welchen die vom Spracherkenner gelieferte Wortkette
schon das Ergebnis darstellt, wird bei einem sprachverstehenden System eine geeignete
Systemreaktion erwartet. Die Systemreaktion wird durch eine Dialogsteuerung erreicht,
die eine Interpretation des Gesagten vornimmt, eine entsprechende Aktion auslöst
und dies dem Benutzer, auf welchem Weg auch immer, mitteilt.
Im Falle eines Kommandoerkenners oder eines einfachen Menüsystems ist die Umsetzung
des erkannten Schlüsselwortes in die entsprechende Systemreaktion relativ trivial. Der Anrufer
bewegt sich durch eine vorgegebene Menüstruktur, je nach Äußerung verzweigt das
System in den vorgesehenen Pfad, z.B. „Wollen Sie zum Bereich Verkauf, Buchhaltung oder
Technik“ und stellt dementsprechend weitere Fragen oder löst die passende Aktion, z.B. die
Vermittlung zu dem Ansprechpartner, aus.
Erheblich komplizierter wird es, wenn ein intelligentes Dialogverhalten erwartet wird, mit dem
das Verhalten eines menschlichen Gesprächspartners imitiert werden soll. Bereits die Interpretation
einer Datums­ und/oder Uhrzeitangabe (z.B. „diesen Donnerstag am späten Nach­

mittag so ab fünf Uhr“) erfordert eine relativ komplexe syntaktisch­semantische Analyse des
Spracherkennungsergebnisses. Sollen darüber hinaus z.B. die beiden verschieden intonierten
Äußerungen „Natürlich nicht am Montag“ und „Natürlich nicht. Am Montag“ unterschieden
werden, so benötigt man neben der Spracherkennung noch eine sogenannte prosodische
Analyse des Sprachsignals. Weiterhin ist in jedem Falle eine Dialogsteuerung notwendig,
die dafür verantwortlich ist, dass das System in sinnvoller Weise auf die Benutzeräußerung
reagiert bzw. den Benutzer in geeigneter Weise durch den Dialog führt. Schließlich
erwartet der Benutzer in aller Regel auch, dass das System sich in natürlicher, gesprochener
Sprache ausdrücken und über den aktuellen Zustand informieren kann.
Syntaktisch­Semantische Analyse: Aufgabe dieses Verarbeitungsschrittes ist die
Extraktion der Bedeutung der im Spracherkennermodul generierten Wortkette. Syntaktisches
Wissen dient hierbei dazu, die Einheiten im Strom der Worthypothesen zu bestimmen,
denen eine Bedeutung (Semantik) zuzuordnen ist. Viele Ansätze setzen
allerdings meistens eine fehlerfreie und syntaktisch korrekte Eingabe voraus. Bereits die
Annahme der Fehlerfreiheit ist jedoch für gesprochene Sprache nicht gegeben. Selbst die
weltweit besten Spracherkenner sind in Bezug auf Fehlerfreiheit über sehr viele
Anwendungen hinweg eine Größenordnung oder mehr schlechter als der Mensch.
Allerdings sind in einem sprachverstehenden System nicht immer vollständige Analysen
notwendig; so erfordert z.B. eine Anwendung „Fahrplanauskunft“ für die Äußerung „ich
möchte äh ich meine meine Frau und ich möchten nach Hamburg fahren“ eigentlich nur
die Information, dass es sich bei dem Zielort um Hamburg handeln soll.
Prosodische Analyse: Die Prosodie beschäftigt sich mit suprasegmentalen (lautübergreifenden)
sprachlichen Ereignissen. Diese Ereignisse überlagern sprachliche Einheiten,
die mehr als einen Laut umfassen, also Silben, Wörter, Phrasen, Sätze, usw. Als
wichtigste Funktionen werden allgemein die prosodische Markierung von Satz­ und Phrasen­Grenzen,
Betonung, Satzmodus und Gemütszustand (Emotion) angesehen. Betrachten
wir die folgenden Äußerung, so erkennen wir die Wichtigkeit prosodischer Information:
„Vielleicht. Am Montag bei mir. Passt das?“ versus „Vielleicht am Montag bei mir passt
das?“ Obwohl die Bedeutung der prosodischen Information in der Mensch­Mensch­Kommunikation
allgemein anerkannt wird, wird diese Informationsquelle in der automatischen
Sprachverarbeitung bisher jedoch nur spärlich benutzt.
Dialogsteuerung: Aufgabe der Dialogsteuerung ist es zum Einen, die semantische Repräsentation
der Benutzeräußerung in den Kontext des bis dahin geführten Dialogs einzubetten,
und zum Anderen, die nächste Aktion des Systems zu planen. So kann die Benutzeräußerung
„den Josef“ nur korrekt interpretiert werden, wenn die letzte Systemäußerung
des „eisernen Fräuleins vom Amt“ „ich habe zwei Müller in meinem Verzeichnis,
Josef Müller und Hans Müller. Wen möchten Sie sprechen?“ bekannt ist.
5. Sprachsynthese
Es gibt eine Reihe von Möglichkeiten, Computer zum Sprechen zu bringen. Es hängt von
der jeweiligen Applikation ab, welche Methode vorzuziehen ist.
Prerecorded oder Canned­Speech
Die einfachste Möglichkeit besteht darin, dem Benutzer Äußerungen vorzuspielen, die zuvor
aufgenommen und digital gespeichert wurden. Eine Variante hiervon ist die Verkettung von
einzeln gespeicherten Wörtern oder Satzfragmenten zu einer Gesamtäußerung (canned

speech). Für Sympalogs Bundesligaauskunftssystem BErTI wurden Satzfragment wie z.B.
"...hat gegen ....“, jeder einzelne Bundesligaverein, sowie einzelne Wörter wie z.B. „gewonnen“
von einem Radiosprecher einzeln gesprochen und aufgenommen. Während des
Dialoges werden hieraus Systemäußerungen wie „Der VfB Stuttgart hat gegen den 1. FC
Kaiserslautern auswärts drei zu zwei gewonnen“ zusammengebaut. Hierzu ist es allerdings
notwendig, dass alle möglichen Äußerungen des Systems vorab bekannt sind, so dass eine
passende Segmentierung in Satzschnipsel erfolgen kann. Gegenüber einer „echten“ Sprachsynthese
zeichnet sich dieses Verfahren in aller Regel dadurch aus, dass die Verständlichkeit
deutlich besser ist.
Vollsynthese bzw. text­to­speech (TTS)
Ist der aktive Wortschatz des Systems zu groß oder zu dynamisch, ist eine solche Vorgehensweise
nicht mehr praktikabel. In diesem Falle greift man auf Sprachsyntheseverfahren
zurück, die unter den Bezeichnungen text­to­speech (TTS) oder concept­to­speech (CTS)
verbreitet sind, oder auch auf Kombinationen dieser Verfahren. Im TTS­Verfahren wird zunächst
eine linguistische Analyse des zu sprechenden Textes durchgeführt, um z.B. die zu
betonenden Wörter und Silben sowie eine geeignete Intonation zu ermitteln. Die Wörter
selbst werden an Hand von Aussprachelexika aus einem Inventar von Laut­ oder Silbenbausteinen
zusammengesetzt. Im Rahmen von Sprachdialogsystemen können CTS­Systeme,
denen anstelle einer Folge von Wörtern und Satzzeichen semantische Konzepte als Eingabe
dienen, günstiger sein. Hier kann eine sinnvolle Intonation ohne den Umweg über die Generierung
des zu sprechenden Textes und dessen anschließender linguistischer Analyse festgelegt
werden.
6. Systemarchitektur Sprachdialogsystem
Wie in den vorherigen Abschnitten erläutert, benötigt man für den Aufbau eines Sprachdialogsystem
die drei Komponenten Spracherkennung, Dialogsteuerung und Sprachsynthese.
Für ein produktives System werden diese üblicherweise durch ein Kontrollmodul komplettiert,
das für die Anbindung an die Signalquelle (z.B. Soundkarte oder Telefonanlage) zuständig
ist und bei Bedarf auch die Verteilung der Rechnerlast in einem Rechnernetzwerk
leisten kann. In der folgenden Abbildung ist die übliche Systemarchitektur dargestellt.
Sprache
Text
Sound­
System
Kontrollmodul
Dialogsteuerung
Applikation
Sprache
Spracherkenner
Sprachsynthese
Text
Die durchgezogenen Pfeile deuten dabei die konzeptionelle Vorgehensweise beim
Sprachdialog an, die gestrichelten Pfeile die technische Kommunikation der Module
untereinander. Konzeptionell wird wie folgt vorgegangen: das eingehende Sprachsignal wird
zum Spracherkenner geschickt, dort wird die wahrscheinlichste Wortkette ermittelt. Diese

wird der Dialogsteuerung übergeben, die die syntaktisch­semantische Analyse durchführt,
den aktuellen Zustand im Sinne der zu bedienenden Applikation interpretiert und daraus den
nächsten Zustand generiert. Dabei kann die Dialogsteuerung mit der Applikation kommunizieren,
entweder um zusätzliche Informationen für den weiteren Dialog abzuleiten oder
entsprechende Aktionen anzustoßen. Die Dialogsteuerung generiert zum neuen Dialogzustand
die entsprechende Wortkette. Diese wird der Sprachsynthese zur Verfügung gestellt,
die diese Äußerung in ein Sprachsignal verwandelt, das dem Benutzer vorgespielt wird.
Dann wird auf die nächste Benutzeräußerung gehört und der Zyklus beginnt von Neuem.
Technisch läuft die Kommunikation der Module üblicherweise über Programmierschnittstellen,
um die notwendigen Funktionalitäten in den einzelnen Modulen zum richtigen
Zeitpunkt anzustoßen und diesen die jeweils notwendige Information zur Verfügung zu
stellen. So findet das Spracherkennungsergebnis i.d.R. nicht direkt den Eingang zur
Dialogsteuerung, sondern das Erkennungsergebnis wird dem Kontrollmodul gesendet, von
wo aus es an die Dialogsteuerung weiter gegeben wird. Die Kommunikation basiert häufig
auf standardisierten Protokollen, wie z.B. TCP/IP oder HTTP, und ist, gerade wenn die
Produkte für den Telefoniebereich konzipiert sind, netzwerkfähig, so dass unterschiedliche
Module auf mehrere Rechner verteilt werden können bzw. sogar mehrere Instanzen eines
Moduls in einem Netzwerk zur Verfügung stehen.
7. Anwendungen – Praxisbeispiele
Heutzutage sind bereits zahlreiche Sprachapplikationen in den verschiedensten Einsatzbereichen
erfolgreich im produktiven Betrieb. Nachstehend werden einige Anwendungen aus
verschiedenen Bereichen skizziert:
Diktiersysteme
Diktiersysteme sind mittlerweile erfolgreich im Einsatz, besonders im medizinischen und juristischen
Bereich.
Beispiele:
• In Baden­Württemberg wurden kürzlich 1.000 Richterarbeitsplätze mit Spracherkennungssoftware
zum Diktieren von Urteilen ausgestattet.
• In medizinischen Einrichtungen, in denen ein Großteil der Arbeit aus dem Diktieren von
Befunden besteht, z.B. in der Radiologie, sind Diktiersysteme im täglichen Einsatz.
Sprachsteuerung
Eine Sprachsteuerung (speech control) von Geräten und Maschinen über Mikrofon bringt in
vielen Fällen Vorteile. Besonders wenn der Benutzer die Hände nicht frei hat, die Gefahr von
Verschmutzung oder Kontamination gegeben ist, die Konsole und Arbeitsplatz voneinander
entfernt sind oder die Bedienungshierarchien sehr komplex sind. Ein Haupttreiber der
Sprachtechnologieentwicklung in diesem Bereich ist im Automobilumfeld zu finden.
Beispiele:
• Steuerung von Monitoren oder Einrichtungen im chirurgischen Bereich über Kommandos,
zum Teil angereichert durch Dialogfunktionalität um Mehrdeutigkeiten aufzulösen
• Sprachsteuerung im Automobil zur Steuerung und Eingabe eines Telefons

Spracherkennung zur Datenerfassung
In vielen Anwendungsfällen kann die Spracherkennung sinnvollerweise als Kanal für die Eingabe
von zu protokollierende Daten eingesetzt werden, ähnlich wie bei der Sprachsteuerung
von Geräten in solchen Gebieten, in denen der Benutzer üblicherweise die Hände nicht frei
hat oder das Mitführen anderer Protokollierungshilfsmittel umständlich ist. Solche Situationen
ergeben sich u.a. im medizinischen Umfeld, z.B. bei der Protokollierung von Operationen
oder aus im industriellen Umfeld in der Qualitätssicherung.
Beispiele:
• Kommissionierung per Sprache („pick­by­voice“)
• Spracheingabe bei Kfz­Hauptuntersuchungen zur Erstellung des Prüfberichts
Sprachdialogsysteme
Einer der interessantesten Märkte für Spracherkennungstechnologie liegt im Bereich der
Telefonie (Anwendungen, die die Übertragung von gesprochener Sprache über Telefon einschließen).
Vor allem im Callcenter Bereich ergibt sich zur Vorqualifizierung und automatischen
Bearbeitung von Gesprächen ein breites Spektrum unterschiedlicher Anwendungen
wie Service­ und Bestellhotlines, automatische Vermittlungen und Auskunftsdienste.
Beispiele:
• Intelligentes Vermittlungsportal bei der Sixt AG: Vermittelt die Anrufer an den richtigen
Ansprechpartner oder Bereich, abhängig vom Anliegen, gewünschten Gesprächspartner
oder der Abteilung. („Ich möchte bitte ein Auto mieten“)
• Bürgerinformationssystem bei der Stadt Würzburg: Anrufer bekommen Auskünfte zum für
ihr Anliegen zuständigen Amt („Wo muss ich mich denn hinwenden, wenn ich mein Auto
ummelden will?“)
7. Aktuelle Forschungsprojekte
Die multimodale Mensch­Maschine Interaktion ist ein Forschungsthema von großer Relevanz
und ein zukünftiger Forschungstreiber. Aus diesem Grund bestehen in diesem Umfeld
wichtige Forschungsprojekte. Exemplarisch wird nachfolgend das aktuelle Smartweb­Projekt
als eines der Bedeutensten vorgestellt. Als Ergebnis des Projekts soll die Recherche im Internet
zukünftig einfacher und effektiver möglich sein ­ und das auch über UMTS­Telefone
und andere mobile Endgeräte. An dem Projekt unter Leitung des Deutschen Forschungszentrums
für Künstliche Intelligenz (DFKI) arbeiten insgesamt 14 Partner aus Wirtschaft und
Wissenschaft zusammen, darunter DaimlerChrysler, die Deutsche Telekom und Siemens.
SmartWeb wird vom Bundesministerium für Bildung und Forschung (BMBF) mit insgesamt
13,7 Millionen Euro gefördert. Sympalog ist in SmartWeb für die automatische Spracherkennung
im mobilen Anwendungsszenario verantwortlich.
Das World Wide Web (WWW) hat den weltweiten Zugang zu digital gespeicherter Information
drastisch vereinfacht und beschleunigt. Allerdings gibt es bisher zwei Zugangshürden.
• Der Zugang zu den Inhalten ist größtenteils auf PCs mit großen Bildschirmen optimiert.
Statt eines einfachen, intuitiven Zugangs mittels natürlicher Sprache über das Mobiltelefon
suchen derzeit Suchmaschinen textuell nach Inhalten, die nicht in jeder Modalität, z.B.
nur mittels Sprache, dem Benutzer zugänglich gemacht werden können.

• Bislang waren die Inhalte im WWW nur maschinenlesbar, ohne maschinell verstehbar zu
sein. Da Information im WWW meist in natürlicher Sprache präsentiert wird, sind die bei
einer Suche gefundenen Dokumente bislang nur für den Menschen voll verständlich. Zudem
entsprechen die Resultate trotz verbesserter Such­ und Rankingtechniken oftmals
nicht den Intentionen der Benutzer.
In SmartWeb werden die führenden Forscher aus dem Bereich der Intelligenten
Benutzerschnittstellen, des SemanticWeb und der Informationsextraktion Methoden und
Technologien erforschen und umsetzen, um diese Hürden zu beseitigen. Das Semantische
Web basiert auf der inhaltlichen Beschreibung digitaler Dokumente mit standardisierten Vokabularien,
die eine maschinell verstehbare Semantik haben. Damit wird der Übergang von
einem "Netz aus Verweisstrukturen" zu einem "Netz aus Inhaltsstrukturen" vollzogen. Dies
eröffnet völlig neue Dimensionen in den Bereichen Internetdienste, Information Retrieval,
Mobile Computing, E­Commerce und E­Work.
SmartWeb bildet eine wichtige Stufe bei der Realisierung des Internets der nächsten Generation,
das breitbandige Multimediadienste mobil und individualisiert bereitstellen wird.
SmartWeb ist auf der Ebene der Softwaresysteme angesiedelt, welche die Infrastuktur für
spezielle Anwendungsprojekte zur Implementierung neuartiger Mehrwertdienste im Internet
der nächsten Generation bildet. SmartWeb ist abgestimmt auf die Entwicklungen auf dem
Gebiet des Mobilen Internet und der darunter liegenden Schicht der Hochleistungsfestnetze,
welche die Mobilfunkstationen breitbandig mit Datenströmen versorgen. Damit nimmt Smart­
Web eine zentrale Stellung bei der Verbindung innovativer Kommunikationstechnologien mit
völlig neuartigen Anwendungsfeldern. SmartWeb baut auf die Konvergenz der verschiedenen
Mobilfunktechnologien auf und sichert eine bedarfsgerechte Informationsversorgung
sowie nutzerzentrierte Informationslogistik.
8. Ausblick/Schluss
Bereits heute ist erkennbar, dass Spracherkennungstechnologie den Umgang von Menschen
mit Computern und Maschinen weitreichend verändert hat und weiter verändern wird.
Es wurde auf den vorigen Seiten schon auf die vielfältigen Einsatzmöglichkeiten und existierende
Anwendungen in diesen Bereichen eingegangen. Die Steuerung von Geräten und
Maschinen sowie automatisierte telefonische Kommunikation mit Voice­Portalen werden in
Zukunft ebenso alltäglich sein, wie heute schon das gewohnte Surfen im Web.
Aufbauend auf den Möglichkeiten moderner Spracherkennung und Sprachsteuerung sind
viele Unternehmen heute schon dabei, Projekte zur Integration solcher Technologien in ihre
Produkte und Abläufe voranzutreiben. Eine wichtige Rolle spielt in diesem Bereich die Automobilindustrie
und die Telekommunikationsindustrie, die durch ihre hohe Breitenwirkung
beim Endkunden die Akzeptanz der Spracherkennung noch steigern werden. Auch der Callcenterbereich
treibt den Markt voran, da sich in diesem Sektor enorme Automatisierungsund
Rationalisierungspotentiale in der Kundenkommunikation ergeben.
Ein weiterer Trend der sich in Zukunft abzeichnen wird, ist die Verschmelzung der verschiedenen
Kommunikationsmöglichkeiten im Bereich Mensch­Maschine Kommunikation, hin zu
übergreifenden sogenannten „Multichannel­Ansätzen“. Die Kommunikation mit Datenbanken
und Applikationen oder die Steuerung von Geräten kann über verschiedensten Kanäle erfolgen,
die der jeweiligen Situation des Benutzers angepasst sind.